/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
sarvam-30b
Библиотека
transformers
Опубликована
12 июн 2026

sarvam-30b-silentmarlin

Генерация текстаТекст → текст

Квантизированная W4A16 MoE-модель Sarvam-30B для диалогов и генерации текста на английском и индийских языках.

0скачиваний за 30 дней0лайковвеса обновлены14 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Sarvam-30B Silent Marlin — сжатая версия языковой модели Sarvam-30B, подготовленная для Resilient AI Challenge. Это MoE-модель для генерации текста и диалогов, с сохранённым шаблоном общения исходной модели. В репозитории используется квантизация W4A16: веса маршрутизируемых экспертов представлены в 4 битах, а активации — в 16 битах; важные компоненты, включая attention, маршрутизаторы экспертов и выходной слой, оставлены в BF16. По данным карточки, размер уменьшен примерно с 64 до 20 ГБ, а полезная длина контекста составляет 32 768 токенов.

Модель предназначена для диалоговых сценариев и генерации ответов, в том числе на математические, медицинские и письменные задания. Карточка приводит результаты тестирования по категориям, но они не гарантируют аналогичное качество на других данных. Указана поддержка английского и ряда индийских языков; метаданные также отмечают хинди, бенгальский, тамильский, телугу, маратхи, гуджарати, каннада, малаялам, пенджаби, одия, ассамский и урду. Для запуска описана работа через vLLM с поддержкой SarvamMoE; совместимость конкретной версии зависит от драйвера CUDA и версии PyTorch. Лицензия — Apache-2.0.

Сценарии применения

  • генерация ответов в чат-боте
  • решение математических задач с пошаговыми рассуждениями
  • подготовка письменных текстов
  • ответы на медицинские вопросы общего характера
  • развёртывание диалоговой языковой модели с уменьшенным объёмом весов

Ограничения

Для математических и тестовых заданий модели требуется исходный шаблон с рассуждениями: проверенный краткий шаблон заметно ухудшал результаты. Совместимость инференса зависит от версий vLLM, PyTorch и драйвера CUDA.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sarvam-30B — Silent Marlin (W4A16) · Resilient AI Challenge, Text-to-Text

Compressed submission of sarvamai/sarvam-30b for the Resilient AI Challenge. Goal: lowest inference energy on A100 while keeping ≥80% recovery per category.

1. Compression approach + benchmark scores

Method: stored-weight W4A16 (4-bit weights, 16-bit activations), compressed-tensors pack-quantized, group size 128, symmetric int4. Produced with llmcompressor (RTN; data-free). Serves natively in vLLM via the Marlin / WNA16-MoE kernels — no runtime dequant overhead.

Quality-aware ignore-list (kept at BF16): every attention query_key_value and dense, the layer-0 dense FFN, all MoE router gates (mlp.gate), all shared experts, and lm_head. Only the 128 routed-expert projections (the bulk of the weights) are quantized. This preserves routing fidelity and multilingual quality.

Size: ~64 GB (BF16) → ~20 GB (−69%).

Measured per-category quality (this model, official sampling temp 1.0 / top_p 0.95 / top_k 64, vLLM, 2 passes), vs the per-category 80% floors:

CategoryRecovery (acc)80% floorPass
Math (incl. multi-step)1.000.738✅
Medical1.000.523✅
Writing0.810.618✅
Questions (MCQ)1.000.755✅
Indic (5 languages)1.000.60✅

The original Sarvam reasoning behaviour is retained: we tested an aggressive "no-thinking" response-economy template (assistant <think></think> prefill + brevity instruction) that cut medical/writing tokens 50–150×, but it dropped Math to 0.57 and MCQ to 0.50 — below floor. Sarvam-30B genuinely needs its reasoning scratchpad for math and multiple-choice, so we ship the unmodified chat template and take the energy win purely from 4-bit weights.

2. vllm_config.yaml — every argument explained

model: .                 # served from the repo root (positional model wins)
trust_remote_code: true  # SarvamMoE ships a custom config/model class
max_model_len: 32768     # full useful context; not reduced (organizer warns against low values)
gpu_memory_utilization: 0.9

No served-model-name (a set value makes vLLM answer ONLY to that string and return 404 — silent zero — for URI-addressed requests). No tensor-parallel-size, swap_space, or no-enable-log-outputs (infrastructure-specific; per FAQ).

3. Known issues at launch / inference

  • vLLM version vs driver: vLLM 0.20.2 pins torch 2.11 whose default wheel targets CUDA 13 (driver ≥580). Validation was run on vLLM 0.19.1 + torch 2.10 (cu128) because all available GPUs had driver 570. The weights are engine-version-agnostic (standard compressed-tensors); on the evaluation A100 with a ≥580 driver, vLLM 0.20.2 serves them directly. SarvamMoE has been supported in vLLM since 0.18.0 (PR #33942).
  • Energy was measured by integrating nvidia-smi power at 1 Hz over the run; absolute joules carry environment error bars — token counts are the transferable quantity.

License

Apache 2.0 (inherited from sarvamai/sarvam-30b).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

vLLM

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
72b484c

0 моделей